sklearn.linear_model.MultiTaskLassoCV?
class sklearn.linear_model.MultiTaskLassoCV(*, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, random_state=None, selection='cyclic')
有關交叉驗證估算器，請參閱詞匯表條目。
MultiTaskLasso的優化目標是：
這里
即每一行的范數之和。
在用戶指南中閱讀更多內容。
0.15版的新功能。
| 參數 | 說明 |
|---|---|
| eps | float, default=1e-3 路徑的長度。 eps=1e-3意味著alpha_min / alpha_max = 1e-3。 |
| n_alphas | int, default=100 沿正則化路徑的Alpha個數。 |
| alphas | array-like, default=None 用于計算模型的alpha列表。如果為None自動設置Alpha。 |
| fit_intercept | bool, default=True 是否計算該模型的截距。如果設置為false，則在計算中將不使用截距（即數據應中心化）。 |
| normalize | bool, default=Falsefit_intercept設置為False 時，將忽略此參數。如果為True，則在回歸之前通過減去均值并除以l2-范數來對回歸變量X進行歸一化。如果你希望標準化，請先使用 sklearn.preprocessing.StandardScaler，然后調用fit 估算器并設置normalize=False。 |
| max_iter | int, default=1000 最大迭代次數。 |
| tol | float, default=1e-4 優化的容忍度：如果更新小于 tol，則優化代碼檢查對偶間隙的最優性，并繼續進行直到其小于tol。 |
| copy_X | bool, default=True 如果 True，將復制X；否則X可能會被覆蓋。 |
| cv | int, cross-validation generator or iterable, default=None 確定交叉驗證拆分策略。可能的輸入是： - None，使用默認的5折交叉驗證 - int，用于指定折數。 - CV分割器， - 可迭代生成(分割訓練、測試)索引數組。 對于int / None輸入，使用 KFold。有關可在此處使用的各種交叉驗證策略，請參閱用戶指南。 在0.22版本中更改： cv如果是“None”，默認值從3更改為5。 |
| verbose | bool or int, default=0 日志詳細程度。 |
| n_jobs | int, default=None 交叉驗證期間要使用的CPU核心數量。 除非在上下文中設置了 joblib.parallel_backend，否則None表示1 。 -1表示使用所有處理器。有關更多詳細信息，請參見詞匯表。 |
| random_state | int, RandomState instance, default=None 更新特征隨機選擇的偽隨機數生成器種子。在 selection=='random'時使用。在多個函數調用之間傳遞同一個整數實現可重復的輸出。請參閱詞匯表。 |
| selection | {‘cyclic’, ‘random’}, default=’cyclic’ 如果設置為“random”，則隨機系數將在每次迭代時更新，而不是默認情況下按順序遍歷特征。這（設置為“random”）通常會導致收斂更快，尤其是當tol高于1e-4時。 |
| 屬性 | 說明 |
|---|---|
| intercept_ | ndarray of shape (n_tasks,) 目標函數中的截距。 |
| coef_ | ndarray of shape (n_tasks, n_features) 參數向量（目標函數公式中的w）。 coef_存儲W的轉置W.T。 |
| alpha_ | float 通過交叉驗證選擇的懲罰量。 |
| mse_path_ | ndarray of shape (n_alphas, n_folds) or (n_l1_ratio, n_alphas, n_folds) 每一折中不同的alpha對應測試集的均方誤差。 |
| alphas_ | ndarray of shape (n_alphas,) or (n_l1_ratio, n_alphas) 用于擬合的Alpha網格 |
| n_iter_ | int 坐標下降求解器運行的迭代次數，以達到最佳alpha的指定容忍度。 |
另見
注
用坐標下降算法擬合模型。
為避免不必要的內存重復，fit方法的X和y參數應作為Fortran-contiguous numpy數組直接傳遞。
示例
>>> from sklearn.linear_model import MultiTaskLassoCV
>>> from sklearn.datasets import make_regression
>>> from sklearn.metrics import r2_score
>>> X, y = make_regression(n_targets=2, noise=4, random_state=0)
>>> reg = MultiTaskLassoCV(cv=5, random_state=0).fit(X, y)
>>> r2_score(y, reg.predict(X))
0.9994...
>>> reg.alpha_
0.5713...
>>> reg.predict(X[:1,])
array([[153.7971..., 94.9015...]])
方法
| 方法 | 說明 |
|---|---|
fit(X, y) |
用坐標下降法擬合線性模型 |
get_params([deep]) |
獲取此估計器的參數。 |
path(X, y, *[, eps, n_alphas, alphas, …]) |
計算具有坐標下降的套索路徑。 |
predict(X) |
使用線性模型進行預測。 |
score(X, y[, sample_weight]) |
返回預測的確定系數R ^ 2。 |
set_params(**params) |
設置此估算器的參數。 |
__init__(*, eps=0.001, n_alphas=100, alphas=None, fit_intercept=True, normalize=False, max_iter=1000, tol=0.0001, copy_X=True, cv=None, verbose=False, n_jobs=None, random_state=None, selection='cyclic')
初始化self， 請參閱help(type(self))以獲得準確的說明。
fit(X, y)
用坐標下降法擬合線性模型。
在Alpha網格上擬合模型，并通過交叉驗證估算出最佳Alpha。
| 參數 | 說明 |
|---|---|
| X | {array-like, sparse matrix} of shape (n_samples, n_features) 訓練數據。直接作為Fortran-contiguous數據傳遞，以避免不必要的內存重復。如果y是單輸出，則X可以是稀疏的。 |
| y | array-like of shape (n_samples,) or (n_samples, n_targets) 目標值。 |
get_params(deep=True)
獲取此估計器的參數。
| 參數 | 說明 |
|---|---|
| deep | bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。 |
| 返回值 | 說明 |
|---|---|
| params | mapping of string to any 參數名稱映射到其值。 |
static path(X, y, *, eps=0.001, n_alphas=100, alphas=None, precompute='auto', Xy=None, copy_X=True, coef_init=None, verbose=False, return_n_iter=False, positive=False, **params)
計算具有坐標下降的套索路徑。
套索優化函數針對單輸出和多輸出而變化。
對于單輸出任務，它是：
對于多輸出任務，它是：
這里
即每一行的范數之和。
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| X | {array-like, sparse matrix} of shape (n_samples, n_features) 訓練數據。直接作為Fortran-contiguous數據傳遞，以避免不必要的內存重復。如果 y是單輸出，則X 可以是稀疏的。 |
| y | {array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_outputs) 目標值。 |
| eps | float, default=1e-3 路徑的長度。 eps=1e-3意味著 alpha_min / alpha_max = 1e-3。 |
| n_alphas | int, default=100 沿著正則化路徑的Alpha個數。 |
| alphas | ndarray, default=None 用于計算模型的alpha列表。如果為 None，則自動設置Alpha。 |
| precompute | ‘auto’, bool or array-like of shape (n_features, n_features), default=’auto’ 是否使用預先計算的Gram矩陣來加快計算速度。Gram矩陣也可以作為參數傳遞。 |
| Xy | array-like of shape (n_features,) or (n_features, n_outputs), default=None Xy = np.dot（XT，y）可以預先計算。僅當預先計算了Gram矩陣時才有用。 |
| copy_X | bool, default=True 如果 True，將復制X；否則X可能會被覆蓋。 |
| coef_init | ndarray of shape (n_features, ), default=None 系數的初始值。 |
| verbose | bool or int, default=False 詳細程度。 |
| return_n_iter | bool, default=False 是否返回迭代次數。 |
| positive | bool, default=False 如果設置為True，則強制系數為正。（僅當 y.ndim == 1時允許）。 |
| **params | kwargs 傳遞給坐標下降求解器的關鍵字參數。 |
| 返回值 | 說明 |
|---|---|
| alphas | ndarray of shape (n_alphas,) 沿模型計算路徑的Alpha值。 |
| coefs | ndarray of shape (n_features, n_alphas) or (n_outputs, n_features, n_alphas) 沿路徑的系數。 |
| dual_gaps | ndarray of shape (n_alphas,) 每個alpha優化結束時的雙重間隔。 |
| n_iters | list of int 坐標下降優化器為達到每個alpha的指定容差所進行的迭代次數。 |
另見
注
有關示例，請參見 examples / linear_model / plot_lasso_coordinate_descent_path.py。
為避免不必要的內存重復，fit方法的X參數應作為Fortran-contiguous的numpy數組直接傳遞。
請注意，在某些情況下，Lars求解器可能會明顯更快地實現此功能。特別是，線性插值可用于檢索lars_path輸出的值之間的模型系數。
示例
將lasso_path和lars_path進行插值比較：
>>> X = np.array([[1, 2, 3.1], [2.3, 5.4, 4.3]]).T
>>> y = np.array([1, 2, 3.1])
>>> # Use lasso_path to compute a coefficient path
>>> _, coef_path, _ = lasso_path(X, y, alphas=[5., 1., .5])
>>> print(coef_path)
[[0. 0. 0.46874778]
[0.2159048 0.4425765 0.23689075]]
>>> # Now use lars_path and 1D linear interpolation to compute the
>>> # same path
>>> from sklearn.linear_model import lars_path
>>> alphas, active, coef_path_lars = lars_path(X, y, method='lasso')
>>> from scipy import interpolate
>>> coef_path_continuous = interpolate.interp1d(alphas[::-1],
... coef_path_lars[:, ::-1])
>>> print(coef_path_continuous([5., 1., .5]))
[[0. 0. 0.46915237]
[0.2159048 0.4425765 0.23668876]]
predict(X)
[源碼]
使用線性模型進行預測。
| 參數 | 說明 |
|---|---|
| X | array_like or sparse matrix, shape (n_samples, n_features) 樣本數據 |
| 返回值 | 說明 |
|---|---|
| C | array, shape (n_samples,) 返回預測值。 |
score(X, y, sample_weight=None)
[源碼]
返回預測的確定系數R ^ 2。
系數R ^ 2定義為（1- u / v），其中u是殘差平方和（（y_true-y_pred）** 2）.sum（），而v是總平方和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且也可能為負（因為該模型可能會更差）。一個常數模型總是預測y的期望值，而不考慮輸入特征，得到的R^2得分為0.0。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 測試樣本。對于某些估計器，這可以是預先計算的內核矩陣或通用對象列表，形狀為（n_samples，n_samples_fitted），其中n_samples_fitted是用于擬合估計器的樣本數。 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重。 |
| 返回值 | 說明 |
|---|---|
| score | float 預測值與真實值的R^2。 |
注
調用回歸器中的score時使用的R2分數，multioutput='uniform_average'從0.23版開始使用 ，與r2_score默認值保持一致。這會影響多輸出回歸的score方法（ MultiOutputRegressor除外）。
set_params(**params)
[源碼]
設置此估計器的參數。
該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式為 <component>__<parameter>的參數，這樣就可以更新嵌套對象的每個組件。
| 參數 | 說明 |
|---|---|
| **params | dict 估計器參數。 |
| 返回值 | 說明 |
|---|---|
| self | object 估計器實例。 |